正解率（Accuracy）

ROC曲線の下側の面積で、分類モデルの性能をしきい値によらずに表す評価指標。0から1の値をとり、1に近いほどよく0.5はランダムな予測に当たり、無作為に選んだ陽性のデータに、陰性のデータより高いスコアを付ける確率と解釈できる。陽性が極めて少ないデータでは、PR曲線の下の面積も併せて見る。

入力データと正解（ラベル）の組を大量に学習させ、未知のデータに対する正解を予測するモデルを作る機械学習の手法。数値を予測する回帰と、所属するクラスを判定する分類があり、売上予測、り患予測、成約予測、離反予測などに使われる。正解付きのデータを用意する費用と、その品質が精度を左右する。

教師あり学習の課題のうち、売上高や価格のような連続した数値を予測するもの。線形回帰、決定木、ニューラルネットワークなどのモデルを使い、予測の誤差をRMSEやMAE、当てはまりのよさを決定係数で評価する。カテゴリを予測する分類と並ぶ、教師あり学習の基本的な課題の種類である。

分類モデルが陽性と予測したもののうち、実際に陽性だったものの割合。TP÷（TP＋FP）で求め、誤検知（偽陽性）のコストが大きい場面、例えば正常なメールを迷惑メールと判定したくない場合に重視する。判定のしきい値を上げると一般に適合率は上がり、再現率は下がる。

クラスを分ける境界（超平面）を、境界に最も近いデータ（サポートベクトル）との距離であるマージンが最大になるように決める教師あり学習のモデル。マージン最大化により汎化性能が高い。誤分類をある程度許すソフトマージンと、カーネル法による非線形な境界の学習が可能で、分類のほか回帰にも使える。

回帰モデルが目的変数のばらつきをどれだけ説明できているかを表す指標で、R²と書く。1から（残差の二乗和÷目的変数の平均からの偏差の二乗和）を引いて求め、1に近いほど当てはまりがよく、平均値で予測するのと同等なら0になる。説明変数を増やすと見かけ上大きくなるので、変数の数を考慮した自由度調整済み決定係数で比べることがある。